| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 引言 | 第9-13页 |
| 1.1 选题背景及研究意义 | 第9页 |
| 1.2 本课题的研究现状 | 第9-11页 |
| 1.2.1 图像特征提取及分类检索的研究现状 | 第9-10页 |
| 1.2.2 图像分类技术的研究现状 | 第10-11页 |
| 1.3 课题研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第2章 图像特征提取及分类技术 | 第13-27页 |
| 2.1 基于内容的图像分类过程 | 第13-14页 |
| 2.2 特征提取方法 | 第14-18页 |
| 2.2.1 颜色特征 | 第14-15页 |
| 2.2.2 纹理特征 | 第15-16页 |
| 2.2.3 形状特征 | 第16-18页 |
| 2.3 几种常见的分类器 | 第18-21页 |
| 2.4 支持向量机技术 | 第21-26页 |
| 2.4.1 SVM 线性分类的几何模型 | 第21-24页 |
| 2.4.2 广义最优分类超平面 | 第24-25页 |
| 2.4.3 SVM 的训练算法 | 第25-26页 |
| 2.5 小结 | 第26-27页 |
| 第3章 电力设备图像特征提取的研究 | 第27-38页 |
| 3.1 图像预处理 | 第27-31页 |
| 3.1.1 灰度化图像 | 第27-28页 |
| 3.1.2 图像滤波 | 第28-29页 |
| 3.1.3 增强对比度/灰度修正 | 第29-31页 |
| 3.2 电力设备图像颜色特征的提取 | 第31页 |
| 3.3 电力设备图像纹理特征的提取 | 第31-33页 |
| 3.4 电力设备图像形状特征的提取 | 第33-37页 |
| 3.4.1 基于关键点的不变矩形状特征表示 | 第33-34页 |
| 3.4.2 关键点选取 | 第34-36页 |
| 3.4.3 基于关键点的不变矩 | 第36页 |
| 3.4.4 不变性证明 | 第36-37页 |
| 3.5 小结 | 第37-38页 |
| 第4章 基于支持向量机的电力设备图像分类 | 第38-44页 |
| 4.1 电力设备图像的 SVM 分类方法 | 第38-39页 |
| 4.2 基于 SVM 方法的电力设备图像分类器的构造 | 第39-40页 |
| 4.2.1 SVM 方法的电力设备图像分类器特征向量 | 第39页 |
| 4.2.2 SVM 多类分类 | 第39-40页 |
| 4.2.3 SVM 核函数 | 第40页 |
| 4.3 电力设备图像 SVM 分类器的参数选择与优化 | 第40-43页 |
| 4.3.1 交叉验证 | 第41页 |
| 4.3.2 基于 PSO 的 SVM 参数选择 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 电力设备图像特征提取与分类方法的实验验证 | 第44-50页 |
| 5.1 实验的准备工作 | 第44页 |
| 5.2 电力设备图像的特征提取 | 第44-46页 |
| 5.3 基于单特征和综合多特征的分类结果 | 第46-48页 |
| 5.4 结果分析 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 总结 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 在学期间发表的学术论文和参加科研情况 | 第54-55页 |
| 致谢 | 第55页 |
